Uso del análisis de Monte Carlo para estimar el riesgo

El modelo de Montecarlo permite a los investigadores de todo tipo de profesiones realizar múltiples ensayos y, por tanto, definir todos los posibles resultados de un evento o una decisión. En el sector financiero, la decisión suele estar relacionada con una inversión. Cuando se combinan, todos los juicios por separado crean una distribución de probabilidad o una evaluación del riesgo para una inversión o un evento determinado.

El análisis de Montecarlo es un tipo de técnica de modelización multivariante. Todos los modelos multivariantes pueden considerarse ilustraciones complejas de „qué pasaría si…”?escenarios”. Algunos de los modelos multivariantes más conocidos son los utilizados para valorar las opciones sobre acciones. Los analistas de investigación los utilizan para pronosticar los resultados de las inversiones, para comprender las posibilidades que rodean sus exposiciones a la inversión y para mitigar mejor sus riesgos.

Cuando los inversores utilizan el método de Monte Carlo, los resultados se comparan con varios niveles de tolerancia al riesgo. Esto puede ayudar a las partes interesadas a decidir si se procede o no con una inversión.

Puntos clave

  • El modelo de Montecarlo permite a los investigadores de todo tipo de profesiones realizar múltiples ensayos y, por tanto, definir todos los posibles resultados de un acontecimiento o una decisión.
  • Al emplear el modelo de Montecarlo, el usuario cambia el valor de múltiples variables para conocer su posible impacto en la decisión que se está evaluando.
  • En el sector financiero, la decisión suele estar relacionada con una inversión.
  • Las distribuciones de probabilidad producidas por un modelo de Montecarlo crean una imagen de riesgo.

Quién utiliza los modelos multivariantes

Los modelos multivariantes -como el modelo de Montecarlo- son herramientas estadísticas populares que utilizan múltiples variables para predecir posibles resultados. Al emplear un modelo multivariante, el usuario cambia el valor de múltiples variables para determinar su posible impacto en la decisión que se está evaluando.

Muchos tipos de profesiones utilizan modelos multivariantes. Los analistas financieros pueden utilizar modelos multivariantes para estimar los flujos de caja y las ideas de nuevos productos. Los gestores de carteras y los asesores financieros los utilizan para determinar el impacto de las inversiones en el rendimiento y el riesgo de la cartera. Las compañías de seguros los utilizan para estimar el potencial de siniestros y para fijar el precio de las pólizas.

El modelo de Montecarlo recibe su nombre de la ubicación geográfica, Montecarlo (técnicamente una zona administrativa del Principado de Mónaco), que se ha hecho famosa por la proliferación de casinos.

Resultados y probabilidades

En los juegos de azar -como los que se juegan en los casinos- se conocen todos los resultados y probabilidades posibles. Sin embargo, en la mayoría de las inversiones se desconoce el conjunto de resultados futuros.

El analista debe determinar los resultados y la probabilidad de que se produzcan. En la modelización de Montecarlo, el analista realiza múltiples ensayos (a veces incluso miles) para determinar todos los resultados posibles y la probabilidad de que se produzcan.

El análisis de Montecarlo es útil porque muchas decisiones de inversión y de negocios se toman sobre la base de un resultado. En otras palabras, muchos analistas derivan un escenario posible y luego comparan ese resultado con los diversos impedimentos para ese resultado para decidir si se procede.

Estimaciones pro forma

La mayoría de las estimaciones pro forma comienzan con un caso base. Introduciendo la hipótesis de mayor probabilidad para cada factor, el analista puede obtener el resultado de mayor probabilidad. Sin embargo, tomar cualquier decisión basándose en un caso base es problemático, y crear una previsión con un solo resultado es insuficiente porque no dice nada sobre otros posibles valores que podrían ocurrir.

Tampoco dice nada sobre la posibilidad real de que el valor futuro real sea algo distinto a la predicción del caso base. Es imposible protegerse contra un suceso negativo si no se calculan de antemano los impulsores y las probabilidades de estos sucesos.

Creación del modelo

Una vez diseñado, la ejecución de un modelo de Montecarlo requiere una herramienta que seleccione aleatoriamente los valores de los factores que están limitados por ciertas condiciones predeterminadas. Al realizar una serie de ensayos con variables limitadas por sus propias probabilidades independientes de ocurrencia, un analista crea una distribución que incluye todos los resultados posibles y las probabilidades de que ocurran.

Hay muchos generadores de números aleatorios en el mercado. Las dos herramientas más comunes para diseñar y ejecutar modelos de Montecarlo son @Risk y Crystal Ball. Ambas pueden utilizarse como complementos para las hojas de cálculo y permiten incorporar el muestreo aleatorio a los modelos de hojas de cálculo establecidos.

Restricciones correctas

El arte de desarrollar un modelo de Montecarlo adecuado consiste en determinar las restricciones correctas para cada variable y la relación correcta entre las variables. Por ejemplo, como la diversificación de la cartera se basa en la correlación entre los activos, cualquier modelo desarrollado para crear valores esperados de la cartera debe incluir la correlación entre las inversiones.

Para elegir la distribución correcta para una variable, hay que entender cada una de las posibles distribuciones disponibles. Por ejemplo, la más común es una distribución normal, también conocida como curva de campana.

Distribución normal y desviación estándar

En una distribución normal, todos los sucesos se distribuyen por igual en torno a la media. La media es el evento más probable. Los fenómenos naturales, la altura de las personas y la inflación son algunos ejemplos de variables que se distribuyen normalmente.

En el análisis de Montecarlo, un generador de números aleatorios elige un valor aleatorio para cada variable dentro de las restricciones establecidas por el modelo. A continuación, elabora una distribución de probabilidades para todos los resultados posibles.

La desviación estándar de esa probabilidad es una estadística que denota la probabilidad de que el resultado real que se estima sea algo distinto a la media o al evento más probable. Suponiendo que una distribución de probabilidad se distribuya normalmente, aproximadamente el 68% de los valores caerán dentro de una desviación estándar de la media, alrededor del 95% de los valores caerán dentro de dos desviaciones estándar, y alrededor del 99.El 7% estará dentro de las tres desviaciones estándar de la media.

Esto se conoce como el „68-95-99.7 regla” o la „regla empírica.”

Quién utiliza el método

Los análisis de Monte Carlo no sólo los realizan los profesionales de las finanzas, sino también muchas otras empresas. Es una herramienta de toma de decisiones que asume que cada decisión tendrá algún impacto en el riesgo global.

Cada persona e institución tiene una tolerancia al riesgo diferente. Esto hace que sea importante calcular el riesgo de cualquier inversión y compararlo con la tolerancia al riesgo del individuo.

Las distribuciones de probabilidad producidas por un modelo de Montecarlo crean una imagen del riesgo. Esa imagen es una forma eficaz de transmitir los resultados a otras personas, como los superiores o los posibles inversores. Hoy en día, cualquier persona con acceso a un ordenador personal puede diseñar y ejecutar modelos de Monte Carlo muy complejos.

Fuentes del artículo

Nuestro equipo requiere que los escritores utilicen fuentes primarias para apoyar su trabajo. Estos incluyen libros blancos, datos gubernamentales, informes originales y entrevistas con expertos del sector. También hacemos referencia a investigaciones originales de otros editores de renombre cuando es necesario. Puede obtener más información sobre las normas que seguimos para producir contenidos precisos e imparciales en nuestro
política editorial.

  1. Arte B. Owen. "Teoría, métodos y ejemplos de Monte Carlo, capítulo 1 Notas finales," Página 10. Universidad de Stanford. Accedido el 11 de mayo de 2020.

  2. Instituto Tecnológico de Massachusetts. "Explicado: Simulaciones de Montecarlo." 11 de mayo de 2020.

  3. Universidad de Massachusetts Amherst. "Laboratorio de distribución normal," Página 2. Accedido el 11 de mayo de 2020.

Dodaj komentarz